研究人员开发了一个新框架，用于评估大型视觉语言模型（LVLM）在多大程度上能将其推理与视觉证据联系起来，特别是在胸部X光分析方面。现有的归因方法常常无法准确识别LVLM用于预测的视觉线索，这引发了对临床可信度的担忧。为了解决这个问题，提出了一种名为MedFocus的新方法，该方法在定位具有临床意义的解剖区域及其对模型输出的因果影响方面，显著优于以往的技术，旨在提高医疗LVLM的可靠性。 AI
影响 通过提高临床环境中LVLM决策的可解释性，增强了医疗AI的可信度。
排序理由 该集群描述了一篇新的研究论文，该论文提出了一种用于评估和改进医疗背景下LVLM归因的新颖方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Large Vision Language Models (LVLMs) show promise in medical applications, but their inability to faithfully ground responses in visual evidence raises serious concerns about clinical trustworthiness. While visual attribution methods are widely used to explain LVLM predictions, w…
Large Vision Language Models (LVLMs) show promise in medical applications, but their inability to faithfully ground responses in visual evidence raises serious concerns about clinical trustworthiness. While visual attribution methods are widely used to explain LVLM predictions, w…